Nous avons parcouru un long chemin en quatre épisodes. Nous avons commencé par examiner ce qui rend JMP Student Edition véritablement utile dans un contexte pédagogique, avant même l'arrivée de l'IA. Nous avons analysé comment l'IA peut transformer le rôle de l'enseignant, exploré le fonctionnement concret de JMP Assistant et de LearnBot, puis analysé en toute franchise les risques, notamment les écueils que peut engendrer l'IA et comment intégrer des garde-fous dans la conception des cours.
Maintenant, je veux prendre du recul et poser la question plus importante : où tout cela va-t-il nous mener ?
Je n'ai pas de boule de cristal. Personne n'en a. Mais j'ai plus de quinze ans d'expérience auprès d'enseignants-chercheurs à travers l'Europe, et j'ai observé comment ils s'adaptent – d'abord lentement, puis soudainement – aux nouveaux outils et aux nouvelles contraintes. Ce que je vois actuellement est différent des transitions précédentes. Non pas parce que l'IA est magique, mais parce qu'elle impose un débat que les enseignants de statistiques mènent désormais sérieusement : qu'essayons-nous réellement d'enseigner ?
La question du programme scolairequeL'IA nous oblige à répondre
Pendant des décennies, les cours d'introduction aux statistiques se sont organisés autour de procédures. On enseignait le test t, l'ANOVA, la régression. C'était logique. Les étudiants devaient comprendre le fonctionnement de ces méthodes, leurs domaines d'application et les hypothèses sous-jacentes. Ce qui est aujourd'hui remis en question, ce n'est pas tant la connaissance en elle-même, mais l'idée que la simple maîtrise des procédures suffise. L'IA peut se familiariser avec ces procédures ; en revanche, elle ne peut pas déterminer si la procédure choisie est appropriée ni interpréter le résultat dans son contexte.
L'IA peut désormais s'orienter dans le domaine procédural. Pas parfaitement, ni de façon fiable, certes, mais suffisamment bien pour donner à l'étudiant le sentiment que sa question a trouvé une réponse. L'IA nous oblige à répondre à une question que nous avons longtemps repoussée : que voulons-nous réellement que les étudiants apprennent ?
Je crois que la réponse est : tout ce qui compte le plus. Le raisonnement statistique. La capacité de traduire une question concrète en un problème de données. Le discernement pour évaluer la fiabilité d’un résultat. La rigueur de se demander : « Attendez, est-ce que cela a vraiment du sens ? » et d’y croire vraiment.
Il existe un parallèle important à établir. Les problèmes où le jugement statistique humain est primordial – données inédites, situations rares, questions analytiques complexes sans modèle préétabli – sont souvent ceux où les outils d'IA sont les moins fiables. Les spécialistes en droit sont formés à l'abondance, mais peuvent éprouver des difficultés face à la rareté et à la nouveauté. Les dimensions exploratoires, créatives et innovantes de l'analyse des données demeurent fondamentalement humaines. Il ne s'agit pas d'un lot de consolation, mais bien de la nécessité d'enseigner la pensée statistique, et de la bien enseigner.
La profession réagit,lentement mais sérieusement
La communauté de l'enseignement des statistiques n'est pas restée indifférente à cette problématique. Le rapport GAISE College [13], cadre de référence le plus cité pour l'enseignement introductif des statistiques, fait actuellement l'objet d'une nouvelle révision [14], explicitement motivée par l'avènement de l'IA, ce qui est significatif. Cela signifie que le domaine considère cette question comme un véritable défi pédagogique, et non plus comme un simple problème de gestion de classe.
Ce document provisoire mérite d'être lu, non pas parce qu'il apporte toutes les réponses, mais parce qu'il soulève des questions essentielles. Que devraient être capables de faire les étudiants avec les données, des choses que l'IA ne peut pas faire à leur place ? Que signifie comprendre un résultat statistique en 2026 ?
J'ai suivi cette révision avec un intérêt sincère. Si elle aboutit à un cadre qui privilégie le raisonnement statistique, le jugement et les compétences d'interprétation plutôt que la simple maîtrise des procédures, elle offrira aux enseignants le soutien professionnel nécessaire pour repenser leurs cours de manière à ce que l'IA ne puisse pas facilement les remettre en cause.
Ce qui reste en suspens
Je tiens à être honnête concernant les problèmes pour lesquels nous n'avons pas encore de réponses satisfaisantes. Trois questions méritent réflexion :
Évaluation. Si l'IA peut réaliser la plupart des exercices de statistiques traditionnels, à quoi ressemblerait une évaluation pertinente ? Un examen oral ? Une évaluation par portfolio ? Des problèmes concrets sur des données réelles, sans préparation préalable ? Ces idées ne sont pas nouvelles, mais leur mise en œuvre à grande échelle dans les grands cursus universitaires est un véritable défi. Il n'existe pas de solution miracle.
Neil Selwyn [10][11] soulève une question plus pertinente : en repensant l’évaluation pour l’adapter à l’IA, ne risquons-nous pas de rendre l’éducation lisible par machine , optimisée pour ce que l’IA peut évaluer plutôt que pour ce que les humains ont réellement besoin d’apprendre ? Cette préoccupation mérite une attention accrue.
Équité. L'accès aux outils d'IA est inégal. Les étudiants des établissements bien dotés, bénéficiant d'une infrastructure numérique performante et d'un solide encadrement pédagogique, auront des expériences très différentes de ceux qui n'en bénéficient pas. Si la maîtrise de l'IA devient une compétence fondamentale pour les diplômés, il est impératif d'être transparent sur les personnes réellement préparées et celles qui ne le sont pas.
Voici à quoi ressemble une intégration réussie de l'IA. Nous n'en sommes qu'aux prémices de cette transition et les exemples d'intégration de l'IA dans l'enseignement des statistiques ayant incontestablement fonctionné, où les étudiants ont davantage appris, mieux raisonné et acquis un jugement analytique plus aiguisé, sont encore rares. Je suis convaincu que de tels exemples existent. J'aimerais qu'ils soient davantage documentés et partagés.
| « Les meilleurs analystes, ingénieurs et scientifiques auront toujours une longueur d’avance sur les outils qu’ils utilisent. » |
Où JMP se situe dans cette image
J'ai délibérément veillé, tout au long de cette série, à ne pas la transformer en argumentaire commercial. JMP Student Edition est un outil, un excellent outil pédagogique à mon avis, mais un outil tout de même. La pertinence des arguments pédagogiques présentés ici repose sur leurs propres mérites, et non sur ceux avancés par JMP.
Cela dit, je pense que la philosophie de conception qui sous-tend l'approche de JMP en matière d'IA – des outils qui enrichissent le raisonnement analytique plutôt que de le remplacer, qui placent le flux de travail visuel et exploratoire au cœur du processus, qui rendent la pensée visible plutôt que de la dissimuler – va dans la bonne direction. Reste à voir si d'autres outils adopteront des principes similaires ou si le marché s'orientera vers une automatisation accrue au détriment de la transparence.
Ce dont je suis certain : les enseignants qui comprennent ce qu’ils veulent que les étudiants apprennent et qui conçoivent leurs cours en fonction de cette compréhension réussiront cette transition, quels que soient les outils utilisés. La pédagogie prime. Les outils viennent ensuite.
Une fin ouverte
J'ai entamé cette série en revenant au début des années 1990, à une époque où l'IA était un sujet de recherche à part entière, et non un simple onglet de navigateur, et où le raisonnement statistique s'appuyait sur une véritable confrontation avec les données et les méthodes. Je ne suis pas nostalgique de cette époque. Les outils dont nous disposons aujourd'hui sont nettement supérieurs, et les étudiants ont accès à des capacités d'analyse qui auraient stupéfié mon directeur de thèse.
L’avertissement d’Advait Sarkar [7] me préoccupe : le risque n’est pas tant que l’IA soit trop puissante, mais plutôt que nous cessions de réfléchir avant même d’avoir eu l’occasion de développer le discernement nécessaire pour évaluer ses productions. Ethan Mollick [9] a raison d’affirmer que l’IA sera un co-enseignant, un mentor, un collaborateur. Quant aux questions structurelles soulevées par Selwyn [10][11] concernant les bénéficiaires de l’IA dans l’éducation, elles méritent l’attention de tout enseignant.
Demain, ce ne seront pas tant les personnes capables de mener une analyse qui se distingueront, mais celles qui, face aux résultats, sauront dire : « Je ne suis pas convaincu, et voici pourquoi. » C’est cette compétence qu’il est essentiel d’enseigner. Et c’est précisément celle que l’enseignement des statistiques, lorsqu’il est de qualité, a toujours visé.
Si vous utilisez JMP Student Edition, LearnBot ou Assistant dans votre enseignement, qu'est-ce qui a fonctionné ? Qu'est-ce qui vous a surpris ? Quelle question vous taraudez encore ? N'hésitez pas à me contacter directement à l' adresse volker.kraft@jmp.com .
| Versions logicielles utilisées dans cette série JMP Student Edition 19.1.3 • Data Analysis Director 4.0 • LearnBot 1.1.1 • JMP Assistant 2.3 |
Références
[1] Programme académique JMP , jmp.com/academic
[2] Édition étudiante JMP , jmp.com/student
[3]Communauté JMP
[4] Directeur de l'analyse des données (JMP Marketplace) , marketplace.jmp.com
[5]LearnBot (Place de marché JMP) , marketplace.jmp.com
[6] Assistant JMP (Place de marché JMP) , marketplace.jmp.com
[7] Advait Sarkar : « Comment empêcher l’IA de tuer votre esprit critique » , conférence TED, 2025
[8] Amy Bruckman : « Réinventer l’enseignement après l’introduction de l’IA » , conférence TEDx, 2026
[9] Ethan Mollick : Co-intelligence : Vivre et travailler avec l'IA , Portfolio/Penguin, 2024
[10] Neil Selwyn : Les robots devraient-ils remplacer les enseignants ? , Polity Press, 2019
[11] Neil Selwyn : Sur les limites de l'intelligence artificielle dans l'éducation , 2024
[12] Russ Wolfinger : Les sept principales façons dont les scientifiques et les ingénieurs devraient se préparer à l’ère de l’IA , livre blanc de JMP
[13]Rapport du GAISE College (2016)
[14]Révision du rapport du GAISE College (en cours, 2025)
[15] Perdu dans JMP ? Maigrir pour une meilleure forme , Kraft et Rijpkema, JMP Discovery Summit Europe 2026
À propos de l'auteur
Volker Kraft est ambassadeur académique principal (EMEA) chez JMP Statistical Discovery (une société SAS), au sein de l'équipe académique mondiale de JMP. Depuis 2011, il accompagne les universités européennes dans l'intégration de JMP à leurs activités d'enseignement et de recherche. Spécialisé dans la recherche en technologies vocales, il a longtemps dû concilier rigueur statistique et pragmatisme technique, bien avant que l'intelligence artificielle ne devienne un terme courant. Vous pouvez le contacter via la Communauté JMP ou sur LinkedIn .
Épisode 5 sur 5 • Fin de la série
J'apprécie également l'attention sérieuse portée à l'impact de l'IA sur l'enseignement des statistiques, et je pense que presque tout le monde s'accorde à dire que l'accent doit être mis non plus sur les procédures et les méthodes, mais sur la définition du problème, la communication et l'utilisation des résultats. Cette tendance était déjà bien antérieure à l'IA, à moins de considérer JMP et d'autres logiciels similaires comme une forme d'IA (ce que je fais). D'après mon expérience – et je reconnais qu'il s'agit d'une simplification –, la compétence essentielle que les humains doivent conserver est le nettoyage des données (et c'est là que JMP excelle). Le nettoyage des données requiert des connaissances du domaine, une compréhension de la variabilité et de nombreuses capacités de raisonnement critique. L'IA peut contribuer au nettoyage des données, mais presque toutes les tentatives d'automatisation que j'ai pu observer ont échoué. En réalité, elles sont même malavisées.
Je pense que les humains doivent comprendre les données qu'ils manipulent et les nettoyer en conséquence. Les valeurs aberrantes en sont un exemple : il s'agit parfois d'erreurs, mais souvent elles révèlent des informations importantes. Il en va de même pour les données manquantes. Toute tentative d'automatisation de leur traitement est vouée à l'échec, car dans certains contextes, une valeur aberrante indique une erreur, tandis que dans d'autres, elle représente une variabilité réelle. Le contexte est primordial, et c'est précisément ce qui pose le plus de difficultés à l'IA. JMP est un excellent outil pour explorer ses données et déterminer les opérations de nettoyage, de transformation, de filtrage, etc., appropriées. Cela permet d'utiliser l'IA pour accomplir des tâches que l'humain et/ou le logiciel utilisé ne peuvent réaliser.
Voici ce que les fournisseurs de logiciels (dont JMP) préféreraient sans doute ne pas entendre. Ces progiciels complets sont certes pratiques, mais en partie superflus. J'ai constaté qu'une fois les données préparées et une idée de l'analyse appropriée définie, l'IA est bien plus performante que JMP pour réaliser cette analyse. Prenons l'exemple des données d'enquête pondérées. JMP ne peut pas effectuer d'inférences correctes pour des pondérations stratifiées complexes, contrairement à l'IA. SAS, R ou Python en sont également capables. Les étudiants doivent-ils apprendre ces programmes ? Certains oui, selon leur orientation, mais beaucoup (la plupart ?) non. Je ne sais pas comment réaliser correctement ce type d'analyse, mais j'ai travaillé avec l'IA et j'ai compris, grâce à elle, l'influence de la pondération sur l'inférence, d'un point de vue conceptuel. Je suis prêt à laisser l'IA effectuer l'analyse détaillée (une tâche fastidieuse pour moi).
Je pense que cela a des conséquences financières pour les éditeurs de logiciels. L'IA réduit les revenus qu'ils peuvent espérer des abonnements individuels ou de groupe, mais elle élargit potentiellement le marché. Avec l'IA accessible à presque tous, la tentation sera grande de s'en remettre uniquement à elle pour obtenir des réponses, ce qui serait une erreur. Pour une analyse correcte et pertinente, il est indispensable d'interagir sérieusement avec les données, une compétence que JMP remplit parfaitement. En revanche, les utilisateurs n'ont pas besoin d'autant d'outils sophistiqués et ne sont probablement pas disposés à payer aussi cher pour cela. Ils apprécieront sans doute la capacité de JMP à exécuter des modèles d'arbres de décision boostés, mais le modèle « idéal » de ce type proviendra probablement davantage de l'IA que de JMP.
J'aimerais beaucoup connaître l'avis des autres à ce sujet. Cela modifie rapidement ma façon de penser et d'enseigner – trop rapidement, en fait –, mais nous n'avons pas le choix.
